NVIDIA Kumo Tabular 是英伟达在 2026 年 9 月 29 日通过 Hugging Face 官方博客发布的开源表格基础模型，专攻表格数据的分类与回归预测。它的卖点很直接：给定一张带标签的表格，一次前向推理就能预测新行的标签——不需要训练，不需要调参，也不需要特征工程。
它要终结的是"每个问题都训练一次"的老流程
过去二十年，企业里的表格预测一直是梯度提升树的天下：客户流失、违约风险、需求预测、定价，每个新问题都要走一遍标注、特征工程、调参、验证、部署的完整流程。换一份数据，就得重新训练一次。
Kumo Tabular 想把大语言模型的 in-context learning 搬到表格上。它的思路是：你的历史数据就是范例，想预测的那几列就是问题——模型读完整张带标签的表格，当场看例找规律，一次就把新行的答案算出来。过去需要数周迭代的流程，被压缩成一次推理。
模型本身什么配置
Kumo Tabular 属于 NVIDIA Kumo Structured 模型系列，提供 28M 到 215M 参数的三个尺寸，全部只用合成数据预训练，没有见过任何真实业务表格。权重已经上架 Hugging Face，采用 OpenMDW-1.1 许可，明确允许商用；推理走英伟达开源的 structured-data-models 库，首次使用时自动下载权重，预处理、集成和多分类处理都封装在里面。
在四个公开基准 TabArena、BeyondArena、TALENT 和 ScoringBench 上，它都拿到了第一。需要注意的是，这不等于它在所有场景都碾压调优过的 XGBoost——这些基准测的是"零调参、开箱即用"的表现。它的真正意义是，这条"免训练"路线第一次有了能打的成绩单。
对数据团队意味着什么
最直接的受益者是做快速验证的数据团队。以后接到"预测一下这批客户会不会流失"这类需求，可以先让 Kumo Tabular 跑一遍当基线，看看信号强不强，再决定值不值得投入完整的训练流程。数据量中等、特征工程成本高、问题变化快的场景尤其合适：欺诈检测、信用风险、需求预测，都是它的目标战场。
当然它也有边界：超大规模表格、需要深度领域特征工程的问题，或者对可解释性有硬性要求的金融合规场景，传统流程一时还替代不了。把它当成"先跑一遍"的加速器，而不是"从此不用训练"的终点，会更准确。
背景：Kumo 被收购后的第一份答卷
Kumo Tabular 还有一层行业含义。这是英伟达在 2026 年 6 月以超 4 亿美元收购预测 AI 公司 Kumo AI 之后，交出的第一份公开答卷。Kumo 的创始团队来头不小：Airbnb 和 Pinterest 前 CTO、斯坦福教授，PyTorch Geometric 的作者，之前推出的关系型数据基础模型 KumoRFM 已在 DoorDash、Snowflake 等公司落地。
这次发布等于把 Kumo 的能力从关系型数据下沉到了更常见的单表场景，并且选择开源。结合英伟达 9 月初收购 Hugging Face 的大动作看，英伟达正在把"开放模型生态"变成自己 AI 版图里越来越重的一块拼图——Kumo Tabular 就是这块拼图里，第一颗真正面向企业数据团队的棋子。
